KI-gestützte Prognosemärkte: Wie Schweizer Finanzdienstleister von der Digitalisierung profitieren können

KI-gestützte Prognosemärkte: Wie Schweizer Finanzdienstleister von der Digitalisierung profitieren können

In den USA hat die Verbindung von KI und Prognosemärkten eine neue Dynamik gewonnen. Plattformen wie Numerai oder Polymarket nutzen maschinelles Lernen und kollektive Intelligenz, um Wahrscheinlichkeiten für zukünftige Ereignisse zu modellieren, sei es ein Sportergebnis, ein politisches Wahlergebnis oder ein makroökonomischer Indikator. Was zunächst als Spielerei erscheint, hat ernstzunehmende Anwendungen in der Finanzanalyse und der institutionellen Risikobeurteilung hervorgebracht. Für Schweizer Finanzdienstleister ist die Frage nicht, ob diese Technologien relevant werden, sondern unter welchen Bedingungen sie im regulierten Schweizer Markt eingesetzt werden können.

Der globale Markt für KI-gestützte Prognosetools wächst erheblich; Schätzungen sehen ein Volumen von 12 Milliarden Dollar bis 2030. Gleichzeitig scheitern rund 70 Prozent der US-amerikanischen Plattformen an regulatorischer Unklarheit. Die Schweiz ist in dieser Hinsicht in einer interessanteren Ausgangslage: Die FINMA hat 2022 Leitlinien für KI-Anwendungen im Finanzbereich verabschiedet, die zwar keine Spezifik für Prognosemärkte enthalten, aber einen belastbaren Rahmen für transparente und nachvollziehbare KI-Entscheidungen schaffen.

Technologische Architektur von Prognosemärkten

Prognosemärkte kombinieren zwei Mechanismen: aggregierte Prognoseverteilungen durch Marktmechanismen und KI-Modelle, die diese Schätzungen mit strukturierten Datensätzen abgleichen und verfeinern. Bei Numerai generieren externe Datenanalysten Modelle, die auf anonymisierten Finanzdaten trainiert werden; das Unternehmen aggregiert diese Modelle in einen Ensemble-Prediktor. Die zugrundeliegenden Deep-Learning-Algorithmen analysieren historische Muster und identifizieren Korrelationen, die menschlichen Analysten entgehen.

Ethereum-basierte Plattformen wie Gnosis nutzen dezentrale Marktmechanismen, bei denen Token als Stimmen für oder gegen bestimmte Ausgänge eingesetzt werden. Der aggregierte Marktpreis reflektiert die kollektive Einschätzung der Teilnehmer und nähert sich in empirischen Vergleichen oft der tatsächlichen Eintrittswahrscheinlichkeit an. Die SIX Group experimentiert mit ähnlichen Mechanismen im Kontext von Tokenisierungsprojekten, primär aber für Vermögenswerte, nicht für Prognosen.

Die FINMA-Anforderungen an Transparenz und Nachvollziehbarkeit stellen für reine Black-Box-Prognosemodelle eine Hürde dar. Wer solche Systeme im Rahmen der regulierten Vermögensverwaltung oder Risikobeurteilung einsetzen will, muss nachweisen können, auf welcher Datengrundlage und mit welcher Methodik ein Prognoseergebnis zustande gekommen ist. Das limitiert den Einsatz von Ensemble-Modellen ohne interpretierbare Zwischenschicht.

Schweizer Anwendungsfälle und regulatorische Schranken

Für Schweizer Treuhänder bieten KI-gestützte Prognosemärkte interessante Anwendungen im Bereich der M&A-Due-Diligence und der Risikobewertung. Anstatt auf punktuelle Expertenurteile zu vertrauen, können interne Prognose-Pools strukturierte Wahrscheinlichkeitsschätzungen aggregieren und mit maschinellen Modellen abgleichen. Das verbessert die Entscheidungsgrundlage, erfordert aber eine sorgfältige Dokumentation, um FINMA-Vorgaben zu erfüllen.

KMU-Finanzabteilungen können von KI-gestützten Cashflow-Prognose-Tools profitieren, die auf Prognosemodellarchitekturen aufbauen: Sie aggregieren historische Zahlungsdaten, saisonale Muster und Branchenkennzahlen zu vorausschauenden Liquiditätsbewertungen. Cloud-basierte Lösungen, die auf Schweizer Infrastruktur laufen, sind für KMU ohne eigene Data-Science-Kapazitäten die realistischste Einstiegsoption. Die monatlichen Kosten für solche Tools liegen typischerweise zwischen 500 und 2 000 Franken, abhängig von Datenmenge und Komplexität der Prognosemodelle.

Die DSG- und nDSG-Konformität ist auch hier zentral. Prognosemodelle, die Kundendaten verarbeiten oder externe Marktdaten mit internen Firmeninformationen kombinieren, müssen eine explizite Rechtsgrundlage für die Datenverarbeitung aufweisen. Schweizer Treuhänder, die KI-Tools für Kundenmandatsbetreuung einsetzen, sind zudem verpflichtet, ihre Kunden über den Einsatz solcher Systeme zu informieren, wenn diese Entscheidungen massgeblich beeinflussen.

Schritte zur Implementierung

Schweizer Finanzprofis, die KI-gestützte Prognosetools evaluieren, sollten mit einem klar abgegrenzten Pilotprojekt beginnen: etwa der Cashflow-Prognose für ein einzelnes Kundensegment über zwei bis drei Quartale. Das erlaubt einen direkten Vergleich zwischen KI-Prognose und tatsächlichem Verlauf und liefert belastbare Daten zur Modellqualität.

Anschliessend empfiehlt sich eine formale Prüfung der Explainability-Anforderungen. Welche Faktoren tragen massgeblich zur Prognose bei, und lassen sich diese im Kundenkontext nachvollziehbar kommunizieren? SHAP-Visualisierungen oder vergleichbare Methoden helfen dabei, die Modelllogik in verständliche Faktoren zu übersetzen. Abschliessend ist die nDSG-Dokumentation zu vervollständigen: Datenquellen, Zweckbindung, Speicherort und Löschroutinen sind für jeden eingesetzten Algorithmus festzuhalten. Wer diese Grundlagen legt, kann KI-gestützte Prognosetools mit vertretbarem Risiko produktiv einsetzen.

Quelle: PYMNTS AI — Dieser Artikel wurde automatisch mit KI erstellt und basiert auf der oben verlinkten Originalquelle. Er wurde nicht individuell redaktionell geprüft. Keine Finanzberatung.